European Radiology：基于机器学习的4D血流CMR的主动脉自动评估

三维（3D）时间分辨相位对比心脏磁共振（CMR）成像（4D血流CMR）是一种允许对感兴趣容积内3个正交方向的时间分辨血流速度进行量化的序列。在主动脉疾病方面，四维血流CMR是最有前途的应用之一，有助于识别与主动脉扩张和二尖瓣（BAV）、遗传性主动脉疾病、退行性动脉瘤和主动脉僵硬度。在可以得出的各种流动特征中，壁面剪切应力（WSS）和旋转流动具有突出的价值。前者与主动脉壁退化有关，并可预测BAV未来动脉瘤扩张的速度，而后者在BAV和其他情况下显示出相关性。尽管四维血流CMR的附加价值越来越明显，但由于需要耗时的预处理步骤，在临床实践中的应用受到了阻碍。

在这种情况下，人工智能和机器学习（ML）算法在心脏病学中变得无处不在，通过自动化、标准化和数据整合影响了临床工作流程的大部分组成部分。然而，由于ML算法对数据的要求很高，以及难以获得具有一致注释的大型4D血流CMR数据集，文献中关于应用ML算法分析4D流速CMR的工作非常稀少。

近日，发表在European Radiology杂志的一项研究开发和测试一个基于ML的用于完整分析近端胸主动脉的4D流动CMR全自动模型，该模型包含了主动脉分割、解剖标志检测和位置感知的复杂流动特征的提取，为该技术在临床的进一步广泛应用提供了技术支持。

404名受试者被前瞻性地纳入研究。由专家产生训练算法的基础数据。队列被分为训练组（323名患者）和测试组（81名），用于训练和测试用于分割的3D nnU-Net和深度Q-Network算法。在覆盖升主动脉和主动脉弓的10个平面上计算了平面内（IRF）和平面内（SFRR）的旋转流动描述符以及轴位和周向壁面剪切应力（WSS）。

主动脉自动分割的中位数Dice评分（DS）为0.949，平均对称表面距离为0.839（0.632-1.071）毫米，与目前的技术水平相当。主动脉地标的定位精度与专家在主动脉窦交界处以及第一和第三主动脉上血管的定位精度相当（分别为0.513、0.592和0.905），但在肺分叉处的定位精度较低（P=0.028），导致分析平面的精确定位。自动血流评估与人工量化的SFRR表现出极好的一致性（ICC>0.9），在测量IRF和轴向及周向WSS时表现出良好到优秀的一致性（ICC>0.75）。

图 通过人工分析和卷积神经网络进行主动脉分割的示例

本研究表明，基于机器学习的4D血流CMR主动脉全自动分析是一项可行的技术，该技术降低了4D血流CMR检查的耗时，从而促进了其在临床实践中的进一步广泛应用。

原文出处：

Juan Garrido-Oliver,Jordina Aviles,Marcos Mejía Córdova,et al.Machine learning for the automatic assessment of aortic rotational flow and wall shear stress from 4D flow cardiac magnetic resonance imaging.DOI:10.1007/s00330-022-09068-9